CapsuleGAN: Generative Adversarial Capsule Network
USC Information Sciences Institute（南加州大学信息科学研究所）
我们提出了生成对抗胶囊网络（Capsule GAN），这是一个框架，它使用胶囊网络（CapsNets）而不是标准卷积神经网络（CNN）作为生成对抗网络（GAN）设置中的鉴别器，同时对图像数据进行建模。我们提供了设计CapsNet鉴别器和更新的GAN目标函数的指南，该目标函数包含CapsNet边际损失，用于训练Capsule GAN模型。我们表明，CapsuleGAN在MNIST和CIFAR-10数据集上建模图像数据分布方面优于卷积GAN，在生成对抗度量和半监督图像分类方面进行了评估。
2018-10-02 cs.LG stat.ML
A Non-Adversarial Approach to Idempotent Generative Modelling
KTH Royal Institute of Technology（皇家理工学院）；Uppsala University（乌普萨拉大学）
针对IGNs因对抗性目标导致的模式崩溃与训练不稳定问题，提出NAIGNs，通过结合重构与IMLE的非对抗性生成目标，提升了数据恢复与生成能力，并隐式学习数据流形距离场。
2025-11-04 cs.LG
Distributed Generative Adversarial Net
近年来，生成对抗网络成为研究的热点。考虑到GAN在多用户环境中的应用，本文提出了分布式GAN。它使多个用户能够在本地使用自己的数据进行训练，并生成更多样化的样本。用户不需要相互分享数据，以避免隐私泄露。近年来，商业公司纷纷推出基于人工智能的云平台，为缺乏计算能力的用户提供模型。我们希望我们的工作能够激励这些公司提供更强大的人工智能服务。
2019-11-19 cs.LG
Modeling urbanization patterns with generative adversarial networks
Massachusetts Institute of Technology（麻省理工学院）；Lawrence Berkeley National Laboratory (LBNL)（劳伦斯伯克利国家实验室）；German Aerospace Center (DLR)（德国航空航天中心）；Philips Research U.S.A.（飞利浦美国研究院）；University of California, Berkeley（加州大学伯克利分校）
在这项研究中，我们提出了一种新的方法来模拟超现实的城市模式，使用生成对抗网络训练与全球城市土地利用清单。我们生成了一个合成的城市“宇宙”，它在质量上再现了在全球城市模式中观察到的复杂空间组织，同时能够定量地恢复某些关键的高层次城市空间指标。
2018-01-08 cs.LG
Imputation of Missing Data with Class Imbalance using Conditional Generative Adversarial Networks
缺失数据是现实世界数据集面临的一个常见问题。插补是一种广泛使用的估计缺失数据的技术。最先进的插补方法，如生成对抗插补网络（GAIN），对观察数据的分布进行建模，以近似缺失值。这种方法通常为整个数据集建模单个分布，忽略了数据的类特定特征。当存在类不平衡时，类特定的特征特别有用。我们提出了一种新的方法，通过适应流行的条件生成对抗网络（CGAN）的基础上，其类特定的特征，填补缺失数据。我们的条件生成对抗插补网络（CGAIN）使用特定于类的分布来插补缺失数据，这可以为缺失值产生最佳估计。我们在基准数据集上测试了我们的方法，并与最先进和流行的插补方法相比，取得了优异的性能。
2020-12-01 cs.LG
Permutation Equivariant Generative Adversarial Networks for Graphs
University of Geneva（日内瓦大学）
图生成建模中讨论最多的问题之一是表示的排序。一种解决方案包括使用等变生成函数，这确保了排序不变性。在讨论了这些函数的一些性质之后，我们提出了3G-GAN，一个依赖于GANs和等变函数的3阶段模型。该模型仍在开发中。然而，我们提出了一些令人鼓舞的探索性实验，并讨论了仍有待解决的问题。
2021-12-07 cs.LG
Generating Adversarial Examples With Conditional Generative Adversarial Net
近年来，深度神经网络在各个领域都取得了重大进展和成功应用，但发现它们容易受到攻击实例的攻击，例如，敌对的例子。现有的攻击方法可以通过向源图像添加小的扰动来生成攻击图像。这些攻击图像可以欺骗分类器，但对人的影响很小。因此，这样的攻击实例难以通过搜索特征空间来生成。如何设计一种有效的、鲁棒的生成方法已成为研究的热点。受对抗实例的启发，本文提出了两种新的生成模型，采用条件生成对抗网络，设计了不同的训练策略，直接生成自适应攻击实例。与常用的方法如快速梯度符号法相比，该模型可以降低生成成本，提高鲁棒性，并且生成攻击实例的运行时间约为五分之一。
2019-03-18 cs.LG stat.ML
Style Transfer Generative Adversarial Networks: Learning to Play Chess Differently
University of Virginia（弗吉尼亚大学）
风格转移的概念在很大程度上只在基于图像的任务中被探索过，我们将其部分归因于用于风格转移的损失函数的特定性质。我们提出了一个通用的公式的风格转移作为生成对抗网络的扩展，通过使用一个正则化的生成器，否则单独的损失函数。我们将我们的方法应用于学习以特定玩家的风格下国际象棋的任务，并为我们的方法的可行性提供经验证据。
2017-05-07 cs.LG
Generative Adversarial Networks for Automatic Polyp Segmentation
University of Oslo（奥斯陆大学）
本文旨在使用生成对抗网络框架对自动息肉分割问题进行基准测试。将问题视为图像到图像的翻译任务，利用条件生成对抗网络来生成由图像作为输入的条件掩码。生成器和卷积神经网络都是基于卷积神经网络的。模型的Jaccard指数为0.4382，F2得分为0.611。
2020-12-12 cs.CV cs.LG eess.IV
O-GAN: Extremely Concise Approach for Auto-Encoding Generative Adversarial Networks
本文提出了正交生成对抗网络（O-GANs）。我们将编码器的网络进行正交分解，并在普通GANs的目标中添加额外的损失，这可以使编码器成为一个有效的编码器。同样的额外损失可以嵌入到任何类型的GANs中，并且几乎没有增加计算量。此外，我们讨论了我们的方法的原则，这是相对于充分利用剩余的自由度的时间。正如我们所知，我们的解决方案是训练一个具有自动编码能力的生成对抗网络的最简单方法。
2019-03-05 cs.CV cs.LG
Linking Generative Adversarial Learning and Binary Classification
在这篇文章中，我们指出了生成对抗（GA）训练和二进制分类之间的基本联系-任何强大的分类器本质上都会计算真实样本和生成样本之间的（f-）分歧。在决策理论中反复重新推导的结果对GA网络（GANs）具有影响，通过设计模糊损失函数，为训练f-GANs提供了另一种视角。
2017-09-05 cs.AI cs.LG stat.ML
ECG-Adv-GAN: Detecting ECG Adversarial Examples with Conditional Generative Adversarial Networks
University of Nevada, Reno（内华达大学雷诺分校）；Deakin University（迪肯大学）
心电图（ECG）采集需要一个自动化系统和分析管道，以了解特定的心律失常。深度神经网络已经成为追踪ECG信号的流行技术，其性能超过了人类专家。尽管如此，卷积神经网络容易受到对抗性样本的影响，这些样本可能会对ECG信号进行错误分类，并降低模型的精度。此外，它们在分布外数据集上的推广效果不好。GAN架构已在最近的工作中被用于合成对抗性ECG信号以增加现有的训练数据。然而，他们使用一个脱节的基于CNN的分类架构来检测心律失常。到目前为止，还没有提出可以同时检测对抗性样本和分类心律失常的通用架构。为了缓解这一问题，我们提出了一种新的条件生成对抗网络，以同时生成不同类别的ECG信号并检测心脏异常。此外，该模型以特定类别的ECG信号为条件，以合成现实的对抗性示例。因此，我们比较了我们的架构，并通过对真实世界和对抗性信号进行基准测试，展示了它在正常/异常ECG信号检测中优于其他分类模型。
2021-10-19 cs.LG
EBGAN-MDN: An Energy-Based Adversarial Framework for Multi-Modal Behavior Cloning
针对多模态行为克隆中的模式平均与崩溃问题，提出整合能量模型、混合密度网络和对抗训练的EBGAN-MDN框架，利用改进损失函数在合成及机器人基准上取得优越性能。
2025-10-08 cs.LG
Generative Adversarial Networks with Conditional Neural Movement Primitives for An Interactive Generative Drawing Tool
Bogazici University（博阿齐奇大学）
素描是视觉感知和视觉空间建构的抽象表现。在这项工作中，我们提出了一个新的框架，生成对抗网络与条件神经运动原语（GAN-CNMP），它结合了一种新的对抗损失CNMP，以提高草图的平滑性和一致性。通过实验，我们证明了该模型可以用较少的未标记样本进行训练，可以在潜在空间中自动构造分布，并且在形状一致性和平滑性方面比基本模型产生更好的结果。
2021-12-21 cs.AI cs.CV cs.GR
Autoencoding Generative Adversarial Networks
Flatland Data Solutions（Flatland数据解决方案公司）
自从Goodfellow等人引入生成对抗网络（GANs）以来，生成模型应用的广度和质量都出现了爆炸式增长。尽管做了这些工作，但GANs在主流采用之前还有很长的路要走，这主要是因为它们臭名昭著的训练不稳定性。在这里，我提出了自动编码生成对抗网络（AEGAN），这是一个四网络模型，它通过对生成的图像和生成的潜在向量应用对抗损失和重建损失来学习指定潜在空间和给定样本空间之间的双射映射。AEGAN技术对典型的GAN训练提供了若干改进，包括训练稳定性、模式崩溃预防以及允许在真实样本之间直接插值。该技术的有效性说明使用动漫人脸数据集。
2020-04-11 cs.LG stat.ML
Unsupervised Anomaly Detection and Localization with Generative Adversarial Networks
Nokia Bell Labs（诺基亚贝尔实验室）；Nokia（诺基亚）
本文提出一种基于生成对抗网络和SOP频谱图的无监督异常检测方法，在海底和陆地光纤链路数据集上实现超过97%的准确率，无需标记数据。
2024-09-05 cs.LG eess.SP
Composite Functional Gradient Learning of Generative Adversarial Models
RJ Research Consulting（RJ研究咨询公司）；Tencent AI Lab（腾讯人工智能实验室）
本文首先提出了一种不依赖于传统极大极小公式的生成对抗方法理论。它表明，利用强的梯度，可以学习好的生成器，使得真实数据和生成数据的分布之间的库尔贝克-莱布勒散度在每个函数梯度步骤之后改善，直到它收敛到零。在此基础上，提出了一种新的稳定的生成式对抗方法。从这个新的角度对原始的GAN也提供了一个理论上的见解。图像生成实验表明了该方法的有效性。
2018-06-08 cs.LG stat.ML
Generative Adversarial Parallelization
AIFounded Inc.（AIFounded公司）；University of Guelph（圭尔夫大学）
生成对抗网络由于其直观的表述方式，已经成为无监督学习研究最多的框架之一。它们也被证明能够在有限的领域（如低分辨率图像）中生成令人信服的示例。然而，他们仍然证明很难在实践中训练，并往往忽视数据生成分布的模式。量化捕获效果，如模式覆盖率和更一般的生成模型的质量仍然难以捉摸。我们提出了生成式对抗神经元化，这是一个框架，在这个框架中，许多GANs或它们的变体同时被训练，交换它们的判别器。这消除了发生器和振荡器之间的紧密耦合，从而改善了收敛性和模式覆盖范围。我们还提出了最近提出的生成对抗度量的改进变体，并展示了它如何在GAP模型下对单个GANs或其集合进行评分。
2016-12-13 cs.LG stat.ML
Generative Deep Learning for Virtuosic Classical Music: Generative Adversarial Networks as Renowned Composers
UW - Whitewater（威斯康星大学白水分校）
目前人工智能生成的音乐缺乏良好作曲技术的基本原则。通过在编程和音乐上缩小实现问题，我们可以更好地理解生成的作品所需的参数，这些参数几乎与大师级作曲家的作品无法区分。
2021-11-13 cs.LG cs.NE cs.SD
Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks
University of Freiburg（弗赖堡大学）
在本文中，我们提出了一种方法来学习一个判别分类器从未标记或部分标记的数据。我们的方法基于一个目标函数，该目标函数权衡了观察到的示例及其预测的分类类分布之间的互信息，以及分类器对对抗生成模型的鲁棒性。由此产生的算法可以被解释为生成对抗网络（GAN）框架的自然推广，或者作为正则化信息最大化（RIM）框架的扩展，以针对最佳对手进行鲁棒分类。我们根据经验评估了我们的方法-我们称之为分类生成对抗网络（或CatGAN）-在合成数据以及具有挑战性的图像分类任务上，证明了学习分类器的鲁棒性。我们进一步定性地评估了与判别分类器一起学习的对抗生成器生成的样本的保真度，并确定了CatGAN目标和判别聚类算法（如RIM）之间的联系。
2016-04-30 cs.LG stat.ML
Labeled Graph Generative Adversarial Networks
Virginia Tech（弗吉尼亚理工大学）；Tufts University（塔夫茨大学）
\emph{generative adversarial networks}（GANs）作为一种新的生成模型训练方法，在图像生成方面取得了巨大的成功。这个框架最近也被应用于具有图形结构的数据。我们提出了标记图生成对抗网络（LGGAN）来训练具有节点标签的图结构数据的深度生成模型。我们在各种类型的图形数据集上测试了该方法，例如引文网络和蛋白质图的集合。实验结果表明，该模型能够生成与训练数据结构特征相匹配的标记图，在质量和通用性上优于其他方法。为了进一步评估生成的图的质量，我们将它们用于图分类的下游任务，结果表明LGGAN可以忠实地捕获图结构的重要方面。
2021-02-25 cs.LG stat.ML
Generative Adversarial Trainer: Defense to Adversarial Perturbations with GAN
Seoul National University（首尔国立大学）
本文提出利用生成对抗网络交替训练生成器和分类器，以增强神经网络对对抗扰动的鲁棒性，并在CIFAR数据集上显著降低泛化误差，优于Dropout等正则化方法。
2023-07-04 cs.LG stat.ML
Generative Adversarial Network for Handwritten Text
Zhejiang University（浙江大学）；Microsoft Cloud & AI（微软云与AI）
生成对抗网络（GANs）在图像处理的各种应用中已经证明是非常成功的。然而，由于卷积神经网络（CNN）难以处理连续的手写数据，手写生成对抗网络相对较少。在本文中，我们提出了一个手写生成对抗网络框架（HWGANs）合成手写笔画数据。新框架的主要特征包括：（i）一个由集成的CNN-长短期记忆（LSTM）为基础的特征提取与路径签名特征（PSF）作为输入和前馈神经网络（FNN）为基础的二进制分类器组成的分类器;（ii）一个循环潜在变量模型作为生成器，用于合成顺序手写数据。数值试验表明了新模型的有效性。与单一手写体生成器相比，HWGAN生成的手写体文本更加自然逼真。
2020-02-27 cs.CV cs.LG
Generating protein sequences from antibiotic resistance genes data using Generative Adversarial Networks
SRM Institute of Science and Technology（SRM科学技术学院）
我们介绍了一种方法，以产生合成的蛋白质序列，预测是耐某些抗生素。我们使用6，023个基因，这些基因被预测在人类肠道的肠道区域对抗生素具有耐药性，并作为Wasserstein生成对抗网络（W-GAN）的输入对原始生成对抗模型的变体进行建模，该模型在模仿真实数据的分布时被认为是有效的，以便生成风格类似于作为训练数据输入的原始数据
2019-04-28 cs.LG q-bio.GN
Latent Dirichlet Allocation in Generative Adversarial Networks
University of Electronic Science and Technology of China（电子科技大学）
我们研究了基于生成对抗网络（GANs）的图像多模态生成建模问题。尽管现有的方法取得了成功，但它们往往忽略了视觉数据的底层结构或其多模态生成特性。为了解决这个问题，我们引入狄利克雷先验的多模态图像生成，这导致了一个新的潜在狄利克雷分配的GAN（LDAGAN）。详细地，对于生成过程建模，LDAGAN为每个样本定义生成模式，确定其属于哪个生成子过程。对于对抗训练，LDAGAN推导出一种变分期望最大化（VEM）算法来估计模型参数。在真实数据集上的实验结果表明，LDAGAN的性能优于其他现有的GANs。
2019-11-06 cs.CV cs.LG stat.ML
Comparision Of Adversarial And Non-Adversarial LSTM Music Generative Models
University Of Pretoria（比勒陀利亚大学）
音乐创作是一种在最少或没有人为干预的情况下创作音乐作品的方式。虽然递归神经网络传统上被应用于许多序列到序列的预测任务，包括音乐创作的成功实现，但其基于输入到输出映射的标准监督学习方法导致缺乏音符多样性。因此，这些模型可能被视为不适合诸如音乐生成之类的任务。生成对抗网络学习数据的生成分布，并产生不同的样本。这项工作实现并比较了递归神经网络音乐作曲家在数据库上的对抗性和非对抗性训练。由此产生的音乐样本由人类听众评估，他们的偏好被记录下来。评估表明，对抗性训练产生更美观的音乐。
2022-11-01 cs.LG cs.SC cs.SD
Investigating Under and Overfitting in Wasserstein Generative Adversarial Networks
Google Research（谷歌研究院）
我们研究生成对抗网络（GANs）中的欠拟合和过拟合，使用生成器看不到的鉴别器来测量泛化。我们发现，模型的容量的控制器有一个显着的影响，对发电机的模型质量，和发电机的性能差相吻合的控制器欠拟合。与我们的预期相反，我们发现，相对于CIFAR10，CIFAR100和CelebA，具有大模型容量的发电机没有表现出过拟合的证据。
2019-10-30 cs.LG stat.ML
Comparative Study on Generative Adversarial Networks
University of Waterloo（滑铁卢大学）
近年来，机器学习领域取得了巨大的进步。这些进步是通过学术和工业研究取得的。近年来，在计算机视觉和图像分类领域，大量的研究致力于生成模型的使用。这些生成模型已经通过一个名为生成对抗网络的新框架得到推广。此外，在过去两年中，对这一框架提出了许多修改版本。我们研究了Goodfellow等人提出的原始模型以及对原始模型的修改，并对这些模型进行了比较分析。
2018-01-12 cs.AI cs.LG
Generative Adversarial Stacked Autoencoders
Coventry University（考文垂大学）；LatinX in AI
生成对抗网络（GANs）已成为图像生成任务的主导。他们的成功归功于训练制度，它采用了两种模式：一个发电机G和CNOD，在一个极小极大零和游戏的竞争。尽管如此，GANs由于其对超参数和参数初始化的敏感性而难以训练，这通常会导致梯度消失、不收敛或模式坍塌，其中生成器无法创建具有不同变化的样本。在这项工作中，我们提出了一种新的生成对抗堆叠卷积自动编码器（GASCA）模型和生成对抗逐步贪婪逐层学习算法设计训练对抗自动编码器在一个有效的和增量的方式。我们的训练方法产生的图像的重建误差比vanilla联合训练要低得多。
2020-11-22 cs.CV cs.LG
IVE-GAN: Invariant Encoding Generative Adversarial Networks
Bayer AG（拜耳公司）
生成对抗网络（GANs）是生成任务的强大框架。然而，它们难以训练，并且往往会错过真实数据生成过程的模式。虽然GANs可以在其潜在空间中学习数据的覆盖模式的丰富表示，但该框架错过了从数据到该潜在空间的逆映射。我们提出了不变编码生成对抗网络（IVE-GANs），这是一种新的GAN框架，它通过利用数据中对某些变换不变的特征，为数据中的单个样本引入了这种映射。由于模型将单个样本映射到潜在空间，因此它自然会鼓励生成器覆盖所有模式。我们证明了我们的方法在生成性能和学习丰富的表示几个数据集，包括常见的基准图像生成任务方面的有效性。
2017-11-23 cs.LG stat.ML
Generative Adversarial Networks: recent developments
Wrocław University of Science and Technology（弗罗茨瓦夫科技大学）；Tooploox Ltd.（图普洛克斯有限公司）
在传统的生成式建模中，良好的数据表示通常是良好的机器学习模型的基础。它可以链接到编码更多隐藏在原始数据中的解释性因素的良好表示。随着生成对抗网络（GANs）的发明，生成模型的一个子类，能够以无监督和半监督的方式学习表示，我们现在能够从简单的先验分布到目标数据分布的良好映射。本文概述了GANs的最新发展，重点是学习潜在空间表示。
2019-03-16 cs.CV cs.LG stat.ML
Towards Principled Methods for Training Generative Adversarial Networks
Courant Institute of Mathematical Sciences（库朗数学科学研究所）；Facebook AI Research（Facebook人工智能研究院）
本文的目标不是介绍一种算法或方法，而是为全面理解生成对抗网络的训练动态提供理论基础。为了证实我们的理论分析，我们进行了有针对性的实验，以验证我们的假设，说明我们的主张，并量化的现象。本文共分为三个部分。第一部分介绍了当前的问题。第二部分致力于研究和严格证明生成对抗网络训练时出现的问题，包括不稳定性和饱和度。第三部分探讨了解决这些问题的实际和理论基础的方向，同时引入新的工具来研究它们。
2017-01-17 cs.LG stat.ML
Scalable Unbalanced Optimal Transport using Generative Adversarial Networks
Massachusetts Institute of Technology（麻省理工学院）
生成对抗网络（GANs）是一类表现力很强的神经生成模型，在建模高维连续度量方面取得了巨大成功。在本文中，我们提出了一个可扩展的方法，不平衡的最佳运输（OT）的基础上生成的对抗框架。我们制定不平衡OT作为一个问题，同时学习的运输地图和缩放因子，推动源措施的目标措施，以成本最优的方式。此外，我们提出了一种基于随机交替梯度更新的算法来解决这个问题，在实践中类似于GANs。我们还为这种公式提供了理论依据，表明它与Liero等人（2018）的现有静态公式密切相关，并进行了数值实验，证明了这种方法如何应用于人口建模。
2019-08-04 cs.LG stat.ML
Generative adversarial networks for generation and classification of physical rehabilitation movement episodes
University of Idaho（爱达荷大学）
本文提出了一种方法，通过使用人工神经网络的物理治疗过程中进行的患者运动情节相关的人体运动的数学建模。采用生成对抗网络结构，由此以对抗方式同时训练判别模型和生成模型。不同的网络架构进行了检查，与歧视性和生成模型结构的深层子网络的隐藏层组成的卷积或循环计算单元。该模型进行了验证的数据集上的人体运动记录与光学运动跟踪器。结果表明，新的运动实例的分类的网络的能力，并生成类似于所记录的运动序列的运动示例。
2018-12-15 cs.LG stat.ML
On the Performance of Generative Adversarial Network (GAN) Variants: A Clinical Data Study
Korea University（高丽大学）；Georgia Institute of Technology（佐治亚理工学院）；Case Western Reserve University（凯斯西储大学）；University of Central Florida（中佛罗里达大学）
生成对抗网络（GAN）是一种有用的神经网络类型，用于各种类型的应用，包括生成模型和特征提取。各种类型的GANs正在以不同的见解进行研究，从而产生了各种各样的GANs家族，每一代都有更好的性能。本文重点介绍了各种GANs的共同特征分类。
2020-09-21 cs.AI cs.LG cs.NE
Adversarial Machine Learning And Speech Emotion Recognition: Utilizing Generative Adversarial Networks For Robustness
Information Technology University (ITU)-Punjab（旁遮普信息技术大学）；University of Southern Queensland（南昆士兰大学）
深度学习无疑为最先进的语音情感识别（SER）系统的性能提供了巨大的改进。然而，最近对对抗性示例的研究对SER系统的鲁棒性提出了巨大的挑战，因为它们只依赖于小而不可感知的扰动，因此显示了深度神经网络对对抗性示例的敏感性。在这项研究中，我们评估了如何对抗的例子可以用来攻击SER系统，并提出了第一个黑盒对抗攻击SER系统。我们还探索了潜在的防御措施，包括对抗训练和生成对抗网络（GAN），以增强鲁棒性。实验评估表明，有效利用对抗性示例的各个有趣方面有助于实现SER系统的鲁棒性，为研究人员在这一领域进一步创新提供了机会。
2018-12-30 cs.CR cs.LG eess.SP
Evolutionary Generative Adversarial Networks with Crossover Based Knowledge Distillation
Jilin University（吉林大学）
生成对抗网络（GAN）是一种对抗模型，它已被证明是有效的各种生成任务。然而，GAN及其变体也遭受许多训练问题，例如模式坍塌和梯度消失。在本文中，我们首先提出了一个通用的交叉算子，它可以广泛应用于GANs使用进化策略。在此基础上设计了一个进化GAN框架C-GAN，并将交叉算子与进化生成对抗网络（EGAN）相结合，实现了带交叉的进化生成对抗网络（CE-GAN）。在使用多种损失函数作为变异算子生成变异个体的前提下，对生成的样本进行评价，并允许变异个体以知识蒸馏的方式从输出中学习经验，模仿最佳输出结果，产生更好的后代。然后，我们选择了最好的后代作为父母，为后续的训练，使用神经网络作为评估器。在真实数据集上的实验证明了CE-GAN的有效性，并表明我们的方法在生成的图像质量和时间效率方面具有竞争力。
2021-07-19 cs.LG cs.NE
Graphical Generative Adversarial Networks
Tsinghua University（清华大学）；University of Amsterdam（阿姆斯特丹大学）；Canadian Institute for Advanced Research（加拿大高等研究院）
我们提出了图形生成对抗网络（Graphical-GAN）来建模结构化数据。Graphical-GAN结合了贝叶斯网络在复杂表示随机变量之间的依赖结构方面的能力和生成对抗网络在学习表达依赖函数方面的能力。我们引入了一个结构化的识别模型来推断潜变量的后验分布的观察。我们推广的期望传播（EP）算法学习的生成模型和识别模型联合。最后，我们提出了两个重要的图形-GAN的实例，即高斯混合GAN（GM GAN）和状态空间GAN（SS GAN），它们可以成功地学习离散和时间结构的视觉数据集，分别。
2018-12-12 cs.CV cs.LG stat.ML
Anomaly Detection of Adversarial Examples using Class-conditional Generative Adversarial Networks
Pennsylvania State University（宾夕法尼亚州立大学）
深度神经网络（DNN）已被证明容易受到测试时规避攻击（TTE或对抗性示例）的影响，这些攻击通过对输入进行微小的更改，改变DNN的决策。我们提出了一种基于类条件生成对抗网络（GANs）的DNN分类器的无监督攻击检测器。我们通过辅助分类器GAN（AC-GAN）对预测类标签条件下的干净数据的分布进行建模。给定测试样本及其预测类，基于AC-GAN生成器和鉴别器计算三个检测统计量。在各种TTE攻击下的图像分类数据集上的实验表明，该方法优于以往的检测方法。我们还研究了使用不同DNN层（输入特征或内部层特征）进行异常检测的有效性，并证明，正如人们所料，使用更接近DNN输出层的特征更难检测到异常。
2022-05-12 cs.LG eess.IV
Regularized Generative Adversarial Network
Princeton University（普林斯顿大学）；Columbia University（哥伦比亚大学）
我们提出了一个框架，用于从不同于训练集的概率分布的概率分布生成样本。我们使用一个对抗过程，同时训练三个网络，一个生成器和两个判别器。我们将这种新模型称为正则化生成对抗网络（RegGAN）。我们在由灰度图像组成的合成数据集上评估RegGAN，并进一步表明它可以用于学习拓扑中的一些预先指定的概念（基本拓扑属性）。这项工作的动机是在艺术世界中使用生成方法时遇到的实际问题。
2021-02-09 cs.AI cs.CV cs.LG
Generalized Latent Variable Recovery for Generative Adversarial Networks
Massachusetts Institute of Technology（麻省理工学院）
生成对抗网络（GAN）的生成器经过训练，可以将从先验分布中提取的潜在向量转换为逼真的照片。这些潜在向量已经被证明可以对关于其对应图像的内容的信息进行编码。将输入图像投影到GAN的潜在空间上是不平凡的，但是以前的工作已经成功地执行了具有均匀先验的潜在空间的任务。我们将这些技术扩展到高斯先验的潜在空间，并证明了我们的技术的有效性。
2018-10-09 cs.LG stat.ML
Generative Adversarial Networks and Other Generative Models
Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学MEVIS研究所）
与CNN相比，生成网络在分类、分割或目标检测方面的目标和方法有着根本的不同。它们最初并不是一种图像分析工具，而是用来生成看起来自然的图像。对抗性训练范式已经被提出来稳定生成方法，并且已经被证明是非常成功的-尽管从第一次尝试开始就不是这样。本章对生成对抗网络（GANs）的动机进行了基本介绍，并通过抽象基本任务和工作机制，以及推导早期实用方法的困难，追溯了它们的成功之路。将显示更稳定的训练方法，以及收敛性差的典型迹象及其原因。虽然本章重点介绍用于图像生成和图像分析的GANs，但对抗训练范式本身并不特定于图像，也适用于图像分析中的任务。在将GANs与最近进入场景的进一步生成建模方法进行对比之前，图像语义分割和异常检测的架构示例将受到好评。这将允许对GANs的限制和好处进行上下文化的查看。
2022-07-08 cs.CV cs.LG eess.IV
Semi-Supervised Learning with Generative Adversarial Networks
我们将生成对抗网络（GANs）扩展到半监督上下文，迫使生成对抗网络输出类标签。我们训练一个生成模型G和一个具有属于N个类之一的输入的数据集上的一个生成模型D。在训练时，D被用来预测输入属于N+1个类中的哪一个，其中添加额外的类以对应于G的输出。我们表明，这种方法可以用来创建一个更有效的数据分类器，它允许生成更高质量的样本比常规的GAN。
2016-10-22 cs.LG stat.ML
Generative Adversarial Source Separation
UIUC（伊利诺伊大学厄巴纳-香槟分校）；Adobe Systems（Adobe系统公司）
生成式声源分离方法，如非负矩阵分解（NMF）或自动编码器，依赖于输出概率密度的假设。生成对抗网络（GANs）可以学习数据分布，而无需对输出密度进行参数假设。我们在语音声源分离实验中表明，用Wasserstein-GAN公式训练的多层感知器在源失真比方面优于NMF，用最大似然训练的自动编码器和变分自动编码器。
2017-10-30 cs.LG cs.NE cs.SD
CM-GANs: Cross-modal Generative Adversarial Networks for Common Representation Learning
Institute of Computer Science and Technology, Peking University（北京大学计算机科学技术研究所）
众所周知，不同模态（如图像和文本）的不一致分布和表示导致异质性差距，这使得将此类异质数据关联起来具有挑战性。生成对抗网络（GANs）具有很强的数据分布建模能力和区分性表示学习能力，现有的基于GANs的工作主要集中在生成问题上，以生成新的数据。我们有不同的目标，旨在通过利用GANs建模跨模态联合分布的能力来关联异构数据。因此，我们提出了跨模态GANs来学习区别性的共同表示，以弥合异质性差距。本文的主要贡献包括：（1）提出了跨模态GANs结构，用于建模不同模态数据的联合分布。生成模型和判别模型可以同时研究通道间和通道内的相关性。两种方法相互作用，促进了跨模态相关学习。(2)提出了一种带权值共享约束的交叉模态卷积自编码器，用于生成模型。它们不仅可以利用跨模态相关性来学习共同的表示，而且还可以保留重构信息以捕获每个模态内的语义一致性。(3)提出了跨通道对抗机制，该机制利用两种识别模型同时进行通道内和通道间的识别。它们可以相互促进，通过对抗训练过程使共同表示更具区分力。据我们所知，我们提出的CM-GANs方法是第一个利用GANs来执行跨模态公共表示学习的方法。在跨模态检索范例上进行了实验，并在3个跨模态数据集上与10种方法进行了比较。
2018-04-26 cs.CV cs.LG cs.MM
Intervention Generative Adversarial Networks
Center for Data Science, Peking University（北京大学数据科学中心）；School of Mathematical Sciences, Peking University（北京大学数学科学学院）
在本文中，我们提出了一种新的方法来稳定生成对抗网络的训练过程，以及减轻模式崩溃问题。主要想法是在目标中引入一个正则化项，我们称之为干预损失。我们将由此产生的生成模型称为干预生成对抗网络（IVGAN）。通过用高斯不变干预扰动从辅助编码器网络获得的真实图像的潜在表示并惩罚所产生的生成图像的分布的不相似性，干预损失为生成器提供了更多的信息梯度，显著提高了GAN的训练稳定性。我们证明了我们的方法的有效性和效率，通过坚实的理论分析和标准的真实世界的数据集，以及堆栈MNIST数据集上的全面评估。
2020-08-09 cs.LG stat.ML
Wasserstein Generative Adversarial Networks for Online Test Generation for Cyber Physical Systems
Åbo Akademi University（奥博学术大学）
提出了一种基于Wasserstein生成对抗网络的在线测试生成算法WOGAN。WOGAN是一个通用的黑盒测试生成器，适用于任何具有用于确定失败测试的适应度函数的被测系统。作为概念证明，我们通过生成道路来评估WOGAN，使得汽车的车道辅助系统不能停留在指定车道上。我们发现，我们的算法具有竞争力的性能方面，以前公布的算法。
2022-05-23 cs.LG cs.SE
Evolutionary Generative Adversarial Networks
University of Technology Sydney（悉尼科技大学）；The University of Sydney（悉尼大学）；Southern University of Science and Technology（南方科技大学）；University of Birmingham（伯明翰大学）
生成对抗网络（GAN）对于学习真实世界数据的生成模型是有效的。然而，现有的GANs（GAN及其变体）往往会遭受训练问题，例如不稳定性和模式坍塌。在本文中，我们提出了一种新的GAN框架，称为进化生成对抗网络（E-GAN），用于稳定的GAN训练和改进的生成性能。与现有的GANs不同，GANs采用预定义的对抗目标函数交替训练生成器和训练器，我们利用不同的对抗训练目标作为变异操作，并进化生成器群体以适应环境（即，的）。我们还利用评估机制来衡量生成的样本的质量和多样性，以便只保留性能良好的生成器并用于进一步的训练。通过这种方式，E-GAN克服了个体对抗训练目标的局限性，并始终保留最佳后代，有助于GANs的进步和成功。在多个数据集上的实验表明，E-GAN实现了令人信服的生成性能，并减少了现有GANs中固有的训练问题。
2018-03-01 cs.LG cs.NE stat.ML
Adversarial examples for generative models
National University of Singapore（新加坡国立大学）；Google Research（谷歌研究院）；University of California, Berkeley（加州大学伯克利分校）
我们探索了在深度生成模型（如变分自动编码器（VAE）和VAE-GAN）上生成对抗性示例的方法。众所周知，深度学习架构容易受到对抗性示例的影响，但以前的工作主要集中在对抗性示例在分类任务中的应用上。深度生成模型最近变得流行，因为它们能够对输入数据分布进行建模，并从这些分布中生成真实的示例。我们提出了三类对VAE和VAE-GAN架构的攻击，并针对在MNIST，SVHN和CelebA上训练的网络进行了演示。我们的第一次攻击通过将分类器附加到目标生成模型的训练编码器来利用基于分类的对手，然后可以使用该编码器间接操纵潜在表示。我们的第二次攻击直接使用VAE损失函数从对抗性示例中生成目标重建图像。我们的第三种攻击超越了依赖于梯度的分类或标准损失，并直接针对源和目标潜在表示的差异进行优化。我们还激发了为什么攻击者可能对针对目标生成网络部署此类技术感兴趣。
2017-02-22 cs.LG stat.ML
Generative Adversarial Networks for text using word2vec intermediaries
University of Toronto（多伦多大学）；Vector Institute（向量研究院）；St Michael’s Hospital（圣迈克尔医院）
生成对抗网络（GANs）已经取得了相当大的成功，特别是在真实图像的生成方面。在这项工作中，我们采用类似的技术来生成文本。我们提出了一种新的方法来处理文本的离散性，在训练过程中，使用词嵌入。我们的方法是不可知的词汇量的大小，并取得了竞争力的结果相对于各种离散梯度估计的方法。
2019-04-04 cs.AI cs.CL cs.LG
Variational Approaches for Auto-Encoding Generative Adversarial Networks
DeepMind
自动编码生成对抗网络（GANs）结合了标准的GAN算法，该算法区分真实和模型生成的数据，并由自动编码器给出重建损失。这些模型旨在通过确保学习生成模型基于所有可用的训练数据来防止学习生成模型中的模式崩溃。在本文中，我们开发了一种原理，通过利用生成模型的分层结构，可以将自动编码器与生成对抗网络相结合。其基本原理表明，变分推断可以用作学习的基本工具，但不可处理的似然被合成似然代替，未知的后验分布被隐式分布代替;合成似然和隐式后验分布都可以使用鉴别器来学习。这使我们能够开发变分自动编码器和生成对抗网络的自然融合，结合这两种方法的优点。我们描述了一个统一的优化目标，讨论了指导学习所需的约束条件，连接到广泛的现有工作，并使用一系列测试来系统地和定量地评估我们的方法的性能。
2017-10-21 cs.LG stat.ML
New Losses for Generative Adversarial Learning
生成对抗网络（Goodfellow等人，2014年），在生成建模领域的一个重大突破，学习一个估计目标和候选分布之间的距离。本文探讨了在这种情况下，生成模型的梯度计算方式的数学问题，特别是如何考虑到如何将梯度本身取决于发电机参数。提出了一种统一的方法来定义生成模型的数学上合理的训练目标，以稳健的方式考虑这种依赖性，包括GAN，VAE和一些GAN变体作为特定情况。
2018-07-26 cs.LG stat.ML
Generating Images Part by Part with Composite Generative Adversarial Networks
Seoul National University（首尔大学）
图像生成仍然是一般人工智能和具体深度学习中的基本问题。生成对抗网络（GAN）成功生成了高质量的自然图像样本。我们提出了一个称为复合生成对抗网络的模型，它揭示了具有多个生成器的图像的复杂结构，其中每个生成器生成图像的某个部分。这些部分通过alpha混合过程组合以创建新的单个图像。例如，它可以在人脸数据集上训练后，使用两个生成器依次生成背景和人脸。训练是以无监督的方式进行的，没有任何关于每个生成器应该生成什么的标签。我们发现学习的可能性，通过使用这种生成模型经验的结构。
2016-11-14 cs.AI cs.CV cs.LG
A Generative Adversarial Approach To ECG Synthesis And Denoising
生成对抗网络（GAN）已知会产生合成数据，这些数据很难被人类从真实数据中辨别出来。在本文中，我们提出了一种方法，使用GAN产生逼真的ECG信号。我们利用它们来训练和评估一个去噪自动编码器，实现了最先进的ECG信号的滤波质量。结果表明，生成的数据提高了模型的性能相比，模型训练的真实数据。我们还研究了迁移学习的效果，通过重用训练好的神经网络去噪模型。
2020-09-06 cs.LG eess.SP
